机器翻译正文由机器翻译自项目原始文档（英文），排版经程序统一处理，可能存在偏差，请以原项目仓库为准。

Learn more · Join Discord · Demo

📄 Benchmarking Mem0's token-efficient memory algorithm →

新内存算法（2026年4月）

所有基准测试均在相同的生产代表性模型堆栈上运行。单次传递检索（一次调用，无代理循环）在 top_200 检索预算下进行。分数反映了 Mem0 的托管平台，其中包括开源 SDK 中不可用的专有优化；开源用户应期望方向性类似的提升，但具体数值可能不同。

变化内容：

• 单次传递仅添加提取——一次 LLM 调用，无 UPDATE/DELETE。记忆累积；不覆盖任何内容。
• 代理生成的事实为一等公民——当代理确认一个操作时，该信息现在以同等权重存储。
• 实体关联——提取实体、进行嵌入，并在记忆中关联以提升检索效果。
• 多信号检索——语义、BM25 关键词和实体匹配并行评分并融合。
• 时间推理——时间感知的检索，会为关于当前状态、过去事件和未来计划的查询排序正确的时间实例。

请参阅迁移指南 获取升级说明。评估框架已开源，任何人都可以复现这些数据。

研究亮点

• LoCoMo得分92.5 -- 比之前的算法高出21分
• LongMemEval得分94.4 -- 高出27分，助手记忆回忆得分98.2
• BEAM (1M)得分64.1 -- 生产规模的1M令牌内存评估
• Read the full paper

介绍

Mem0（“mem-zero”）通过智能记忆层增强AI助手和代理，实现个性化AI交互。它能够记住用户偏好，适应个体需求，并随着时间持续学习——非常适合客户支持聊天机器人、AI助手和自主系统。

主要功能与使用场景

核心能力:

• 多层记忆：无缝保留用户、会话和代理状态，并具备自适应个性化能力
• 开发者友好：直观API、跨平台SDK，以及全托管服务选项

应用场景:

• AI助手：一致且上下文丰富的对话体验
• 客户支持：回忆过去的工单和用户历史，提供定制化帮助
• 医疗健康：跟踪患者偏好和历史，实现个性化护理
• 生产力与游戏：根据用户行为自适应工作流程和环境

🚀 快速入门指南

注册为代理

AI 代理可以在不到五秒钟内生成一个可用的 Mem0 API 密钥——无需电子邮件，无需仪表板，无需 OTP。端到端四个命令：

# 1. Install
npm install -g @mem0/cli      # or: pip install mem0-cli

# 2. Sign up as an agent (replace `claude-code` with your name)
mem0 init --agent --agent-caller claude-code

# 3. Add a memory
mem0 add "I am using mem0"

# 4. Search
mem0 search "am I using mem0"

用户可以稍后使用 mem0 init --email <their-email> 认领账户 —— 使用相同的密钥，记忆保持完整。完整指南：注册为代理。

只是测试？使用库。为团队构建？自托管。想要零维护？云。

库（pip / npm）

pip install mem0ai

要实现支持BM25关键词匹配和实体提取的增强混合搜索，请安装带有NLP支持的版本：

pip install mem0ai[nlp]
python -m spacy download en_core_web_sm

通过 npm 安装 sdk：

npm install mem0ai

自托管服务器

注意： 自托管认证默认开启。从预认证版本升级？设置 ADMIN_API_KEY，通过向导注册管理员，或者仅用于本地开发的 AUTH_DISABLED=true。请参见 升级说明。

# Recommended: one command — start the stack, create an admin, issue the first API key.
cd server && make bootstrap

# Manual: start the stack and finish setup via the browser wizard.
cd server && docker compose up -d    # http://localhost:3000

请参阅 自托管文档 以进行配置。

云平台

1. 在 Mem0 平台 注册
2. 通过 SDK 或 API 密钥嵌入记忆层
3. 使用托管的 Qdrant 向量？请参阅 平台迁移指南 将它们导入 Mem0 平台。

命令行接口（CLI）

在终端管理记忆：

npm install -g @mem0/cli   # or: pip install mem0-cli

mem0 init
mem0 add "Prefers dark mode and vim keybindings" --user-id alice
mem0 search "What does Alice prefer?" --user-id alice

请参阅CLI 文档获取完整的命令参考。

代理技能

教你的 AI 编程助手（Claude Code、Codex、Cursor、Windsurf、OpenCode、OpenClaw 以及任何支持技能标准的工具）如何使用 Mem0 构建。两类：

参考技能 — 始终开启（SDK 知识已加载到助手的上下文中）：

npx skills add https://github.com/mem0ai/mem0 --skill mem0
npx skills add https://github.com/mem0ai/mem0 --skill mem0-cli
npx skills add https://github.com/mem0ai/mem0 --skill mem0-vercel-ai-sdk

管道技能 — 按需运行（在现有仓库中执行端到端工作流）：

npx skills add https://github.com/mem0ai/mem0 --skill mem0-integrate
npx skills add https://github.com/mem0ai/mem0 --skill mem0-test-integration
npx skills add https://github.com/mem0ai/mem0 --skill mem0-oss-to-platform

使用 /mem0-integrate 将 Mem0 通过测试优先管道接入现有仓库，然后使用 /mem0-test-integration 进行验证。使用 /mem0-oss-to-platform 将现有项目从 Mem0 OSS 迁移到托管的 Platform SDK。完整信息请参见 技能目录 或 使用 Mem0 进行 Vibecoding。

基本用法

Mem0 需要一个 LLM 才能运行，默认使用 OpenAI 的 gpt-5-mini。不过，它支持多种 LLM；有关详细信息，请参阅我们的 支持的 LLM 文档。

Mem0 使用 OpenAI 的 text-embedding-3-small 作为默认嵌入模型。为了在混合搜索（语义、关键字、实体加权）中获得最佳效果，我们建议至少使用 Qwen 600M 或其他可比嵌入模型。配置详情请参阅 支持的嵌入。

第一步是实例化内存：

from openai import OpenAI
from mem0 import Memory

openai_client = OpenAI()
memory = Memory()

def chat_with_memories(message: str, user_id: str = "default_user") -> str:
    # Retrieve relevant memories
    relevant_memories = memory.search(query=message, filters={"user_id": user_id}, top_k=3)
    memories_str = "\n".join(f"- {entry['memory']}" for entry in relevant_memories["results"])

    # Generate Assistant response
    system_prompt = f"You are a helpful AI. Answer the question based on query and memories.\nUser Memories:\n{memories_str}"
    messages = [{"role": "system", "content": system_prompt}, {"role": "user", "content": message}]
    response = openai_client.chat.completions.create(model="gpt-5-mini", messages=messages)
    assistant_response = response.choices[0].message.content

    # Create new memories from the conversation
    messages.append({"role": "assistant", "content": assistant_response})
    memory.add(messages, user_id=user_id)

    return assistant_response

def main():
    print("Chat with AI (type 'exit' to quit)")
    while True:
        user_input = input("You: ").strip()
        if user_input.lower() == 'exit':
            print("Goodbye!")
            break
        print(f"AI: {chat_with_memories(user_input)}")

if __name__ == "__main__":
    main()

有关详细的集成步骤，请参阅 快速入门 和 API参考。

🔗 集成与演示

• 带记忆的 ChatGPT：由 Mem0 提供的个性化聊天 (实时演示)
• 浏览器扩展：在 ChatGPT、Perplexity 和 Claude 之间存储记忆 (Chrome 扩展)
• Langgraph 支持：使用 Langgraph Mem0 构建客户机器人 (指南)
• CrewAI 集成：使用 Mem0 定制 CrewAI 输出 (示例)

📚 文档与支持

• 完整文档： https://docs.mem0.ai
• Community: Discord · X (formerly Twitter)
• 联系人： founders@mem0.ai

引用

我们现在有一篇你可以引用的论文：

@article{mem0,
  title={Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory},
  author={Chhikara, Prateek and Khant, Dev and Aryan, Saket and Singh, Taranjeet and Yadav, Deshraj},
  journal={arXiv preprint arXiv:2504.19413},
  year={2025}
}

⚖️ 许可

Apache 2.0 — 详情请参阅 LICENSE 文件。